Dynamic workflows Claude : Anthropic laisse l'IA s'orchestrer
Anthropic a présenté les dynamic workflows le 9 octobre 2026, la veille de l'ouverture de l'AI Engineer Summit à New York. Le principe : au lieu de configurer à la main un coordinateur et ses sous-agents, on laisse Claude décider lui-même combien d'agents il lui faut, et pour quoi faire. Pour un professionnel qui pilote déjà des agents Claude en production, c'est un changement de posture, pas un nouvel outil à installer.
Ce que sont les dynamic workflows (flows)
Du coordinateur manuel à l'orchestration auto-générée par Claude
Jusqu'ici, orchestrer plusieurs agents Claude supposait de définir à l'avance qui fait quoi : un agent de recherche, un agent de rédaction, un agent de vérification, reliés par un script ou un framework d'orchestration. Cette architecture est rigide. Elle fonctionne bien pour une tâche répétitive, mal pour une tâche dont la complexité varie d'une exécution à l'autre.
Les dynamic workflows (ou flows) inversent la logique. Un agent principal reçoit la tâche, évalue son ampleur, et décide combien de sous-agents y consacrer, avec quel périmètre chacun. La topologie n'est plus écrite dans un fichier de configuration : elle est générée à chaque exécution.
Le rôle du lead agent : plan, programme d'orchestration, collecte des résultats
Selon la description publiée par Latent Space le 9 octobre 2026, le lead agent produit d'abord un plan en langage naturel, puis un programme d'orchestration qui traduit ce plan en instructions concrètes pour les sous-agents. Il lance ensuite ces agents, collecte leurs résultats, et les synthétise. L'humain définit l'objectif et les contraintes. Claude décide de la mécanique.
Le problème que ça vise : l'humain goulot d'étranglement
Le bottleneck des PR à approuver
L'exemple récurrent dans la documentation d'Anthropic est celui du développement logiciel assisté par agents. Plusieurs agents génèrent des pull requests en parallèle. Le goulot d'étranglement n'est plus la vitesse de génération de code, mais la capacité humaine à relire et approuver chaque PR. Multiplier les agents sans repenser la validation ne fait que déplacer le problème.
Pourquoi Anthropic parle de 'couches de mainteneurs de confiance'
L'idée avancée consiste à introduire des couches intermédiaires : un agent de review automatique filtre et priorise avant que l'humain n'intervienne, jouant le rôle d'un mainteneur de confiance délégué. Ce n'est pas une suppression de la supervision humaine, c'est un déplacement : l'humain valide des synthèses d'agents plutôt que des sorties brutes.
À quoi ça ressemble concrètement : l'exemple du scanner de watchlist
Phase de scan : un ticker par agent, contextes isolés
Anthropic illustre le fonctionnement avec un scanner de watchlist financière. En phase de scan, le lead agent assigne un agent distinct par ticker boursier à surveiller. Chaque agent travaille dans un contexte isolé, ce qui évite qu'une analyse pollue une autre et permet de paralléliser sans risque de confusion entre dossiers.
Phase de review avant rapport
Une fois les scans terminés, une phase de review agrège les résultats avant la production du rapport final. Cette étape sert de filtre qualité automatisé : elle écarte les analyses incohérentes ou incomplètes avant que l'humain ne voie quoi que ce soit.
Injecter ses propres sous-agents spécialisés
Point important pour qui a déjà construit des agents spécialisés en interne : le lead agent peut intégrer ces sous-agents personnalisés dans son programme d'orchestration, plutôt que de tout générer depuis zéro. Un agent maison de vérification réglementaire, par exemple, peut rester dans la boucle.
Contrôler les coûts et le comportement
Budget de session vs agent qui ignore son budget
C'est le point de vigilance le plus concret. Il est possible de définir un budget de tokens pour une session. Mais selon la description d'Anthropic reprise par Latent Space le 9 octobre 2026, un agent peut dépasser ce budget en cours d'exécution s'il juge la tâche incomplète. Le budget fonctionne comme une indication forte, pas comme un plafond strict et automatique. Pour un pro habitué à cadrer un plafond de dépense IA par défaut, c'est une nuance à ne pas sous-estimer avant de brancher ça sur un volume réel.
Nombre d'agents : evals et défauts bas
Anthropic recommande de partir de valeurs par défaut basses pour le nombre maximal d'agents, et d'ajuster via des évaluations (evals) propres à son cas d'usage, plutôt que de laisser le système s'auto-dimensionner sans garde-fou dès la première exécution en production.
Dreaming : réorganiser la mémoire pour des flows moins chers
La fonctionnalité dreaming, documentée sur platform.claude.com le 9 octobre 2026, permet à un agent de réorganiser sa mémoire entre deux sessions, dans l'objectif de réduire le coût des flows suivants. C'est explicitement classé en research preview : une fonctionnalité expérimentale, pas un composant stable destiné à un usage critique immédiat.
Ce que ça ne fait pas (encore)
Trois réserves à garder en tête avant de considérer les dynamic workflows comme prêts pour un déploiement large.
Les dynamic workflows et le dreaming sont en research preview : le comportement peut changer, la documentation évolue, rien n'est figé au 12 octobre 2026.
Aucun mécanisme ne garantit un plafonnement strict du budget tokens en temps réel : un agent peut continuer au-delà du budget fixé s'il estime la tâche inachevée.
L'accès passe par Claude Console et l'API : ce n'est pas une fonctionnalité grand public de l'interface Claude, elle s'adresse à des équipes capables d'intégrer et de monitorer des appels API.
Il ne faut pas non plus confondre cette orchestration auto-générée avec Claude Code classique ou avec des sous-agents pré-configurés à la main : ici, c'est le modèle lui-même qui décide de la topologie, ce qui change la nature du contrôle exercé par l'équipe technique.
Par où commencer
Tester sur un cas à faible enjeu, avec un plafond de dépense IA explicite et surveillé manuellement pendant les premières exécutions, sans compter sur un blocage automatique strict.
Définir des evals spécifiques à votre tâche pour calibrer le nombre maximal d'agents, en partant d'une valeur basse, avant d'envisager une montée en charge.
Lire la documentation Managed Agents d'Anthropic et les retours de la communauté développeurs avant toute intégration en production, le statut research preview impliquant des évolutions rapides du comportement.
Sources
Claude's Dynamic Workflows — Latent Space, Latent Space, 09/10/2026
Annonce des dynamic workflows et du dreaming — Claude Devs, X (Twitter), 09/10/2026
Managed Agents: Dreams — Anthropic, Claude Platform Docs, 09/10/2026
AI Engineer Summit NYC 2026 — AI Engineer, AI Engineer, 12/10/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Commentaires